几十年来，人工智能研究人员和科学家一直在寻找能够衡量人工智能进展的测试。在设想了人类思维的人工智能之后，他们转向以人类智能为基准。
人类智能很难衡量，但一些比赛被大多数人当作衡量重要参考，如国际象棋、围棋和编程竞赛。在掌握这些比赛的过程中，人们培养了许多可以应用于其他问题的技能，例如计划、策略、思维理论、批判性思维和抽象思维。这些技能可以在其他现实领域派上用场，如商业、教育、科研、产品设计和军事。
在更专业的领域，如数学或编程，测试具有更多实际意义。例如，在编码比赛中，程序员必须将一个问题陈述分解成更小的部分，然后设计一个解决每一部分的算法，并将其全部重新组合起来。这些问题往往要求参赛者以新颖的方式思考，而不是使用脑海里想到的第一个解决方案。
相比之下，AlphaCode使用转换器，一种特别擅长处理连续数据的深度学习架构，将一个自然语言问题陈述映射到数千个可能的解决方案。然后，它使用筛选和聚类来选择10个最有希望的解决方案。显然，AlphaCode开发解决方案的过程，与人类程序员的开发过程非常不同。
当被认为等同于人类智能时，人工智能的进步会让我们得出各种错误的结论，例如机器人接管世界，深度神经网络变得有意识，以及AlphaCode媲美普通人类程序员。
但如果从搜索解决方案的过程来看，就有了不同意义。即使人工智能系统产生的结果与人类相似，甚至更好，它们所使用的过程也与人类的思维有很大不同。
所以，不如把人工智能，至少在其目前的形式下，看作是人类智能的延伸，而不是替代。像AlphaCode这样的技术不能思考和设计自己的问题，但它们是非常好的问题解决者，为人类和人工智能之间的高效合作创造了机会。人类定义问题，设定奖励或预期结果，而人工智能找到潜在的解决方案来提供帮助。
也就是说，像AlphaCode这样的工具将为程序员提供更深入地思考具体问题的机会，并让人工智能系统产生新颖的解决方案，还可能为应用开发提出新的方向。
本站部分文章来自互联网，文章版权归原作者所有。如有疑问请联系QQ：3164780！
